Zonas Metropolitanas 2010
Migración reciente 2005 - 2010
Diana Villasana Ocampo
Cuestionario Ampliado del Censo de Población y Vivienda 2010
El cuestionario ampliado se guarda en un un archivo
.RData.
data <- read_sav("~/Población 2010/Cuestionario Ampliado_2010_Persona.sav")
save(data,
file = paste0(here::here(),"/Bases/Censo_Personas_2010.RData"))Se seleccionan las variables que se desean conservar para la
realización de este documento y se guarda en un archivo
.RData para practicidad del manejo de datos.
Posibles variables que se pueden contemplar en la migración reciente
EDADSEXOAFRODESHLENGUAQDIALECT_CPERETNNIVACADALFABETESTCONCONACTHIJOS_NAC_VIVOS
load(paste0(here::here(),"/Bases/Censo_Personas_2010.RData"))
mydata <- data %>%
select(ENT, NOM_ENT, MUN, NOM_MUN, ENT_MUN,
LNACEDO_C, LNACPAIS_C,
RES05EDO_C, RES05PAI_C, MUN05OTR_C,
LTRABPAI_C, LTRABMUN_C, ENT_MUN_TRABAJO,
EDAD, SEXO, HLENGUA, QDIALECT_C, LI_INALI, PERETN, NIVACAD, ALFABET,
ESTCON, CONACT, OCUACTIV_C, HORTRA, INGTRMEN, SITTRA, FACTOR, ESTRATO, UPM) %>%
rename("CVE_ENT" = "ENT",
"CVE_MUN" = "ENT_MUN",
"MUN_TRAB" = "LTRABMUN_C",
"CVE_MUN_TRABAJO" = "ENT_MUN_TRABAJO") %>%
mutate(CVE_ENT = str_pad(.$CVE_ENT, width = 3, side = c("left"), pad = "0"),
CVE_MUN = str_pad(.$CVE_MUN, width = 6, side = c("left"), pad = "0")) %>%
mutate(CVE_MUN_RES = paste0(.$RES05EDO_C, MUN05OTR_C))Zonas Metropolitanas 2010
Se anexa la base de datos de las Zonas Metropolitanas 2010 a la base orginal
ZM_2010 <- read.xlsx(paste0(here::here(), "/Bases/Municipio/ZM_2010.xlsx"), sheet = "ZM_2010") %>%
select(CVE_ENT, CVE_MUN, CVE_ZM, NOM_ZM) %>%
mutate(CVE_ENT = stringr::str_pad(.$CVE_ENT, width = 3, side = c("left"), pad = "0"),
CVE_MUN = stringr::str_pad(.$CVE_MUN, width = 6, side = c("left"), pad = "0"))Se asignan las claves de las zonas metropolitanas de acuerdo a las
diferentes variables de interes:
Residencia hace 5 años
Laboral
mydata <- mydata %>%
# Zonas Metropolitanas por residenicia
left_join(., ZM_2010 %>% select(-CVE_ENT), by = c("CVE_MUN")) %>%
# Zonas Metropolitanas en el lugar de residencia hace 5 años
left_join(., ZM_2010 %>% select(-CVE_ENT) %>%
rename("CVE_ZM_RES" = "CVE_ZM",
"ZM_RES" = "NOM_ZM"), by = c("CVE_MUN_RES" = "CVE_MUN")) %>%
# Zonas Metropolitanas en el lugar de trabajo
left_join(., ZM_2010 %>% select(-CVE_ENT) %>%
rename("CVE_ZM_TRABAJO" = "CVE_ZM",
"ZM_TRABAJO" = "NOM_ZM"), by = c("CVE_MUN_TRABAJO" = "CVE_MUN"))
save(mydata, file = paste0(here::here(), "/Bases/06_Migracion por Zonas Metropolitanas_2010.RData")) ✔️A partir de aquí se pueden correr los códidos 👇.
Se carga el archivo
Migracion por Zonas Metropolitanas_2010.RData.
load(file = paste0(here::here(), "/Bases/06_Migracion por Zonas Metropolitanas_2010.RData"))
# Para fines prácticos se genera un ponderador de uno
mydata <- mydata %>%
select(CVE_ENT, NOM_ENT, CVE_MUN, NOM_MUN, RES05EDO_C, CVE_MUN_RES,
CVE_ZM, NOM_ZM, CVE_ZM_RES, ZM_RES,
EDAD, FACTOR, ESTRATO, UPM) %>%
mutate(M = 1)
# Se vuelve a cargar la base de datos para fines practicos
ZM_2010 <- read.xlsx(paste0(here::here(), "/Bases/Municipio/ZM_2010.xlsx"), sheet = "ZM_2010") %>%
mutate(CVE_ENT = stringr::str_pad(.$CVE_ENT, width = 3, side = c("left"), pad = "0"),
CVE_MUN = stringr::str_pad(.$CVE_MUN, width = 6, side = c("left"), pad = "0"))Entidades y Municipios
Se genera un vector con el nombre de las entidades llamado
estados para facilitar los filtros en el documento.
Se genera un vector con las abreviaturas de las entidades llamado
ent para fines prácticos.
Se genera un vector con las claves de los municipios.
# Claves de los estados
estados <- sjlabelled::get_labels(mydata$CVE_ENT)
nom_estados <- c( "Aguascalientes", "Baja California" ,"Baja California Sur", "Campeche", "Coahuila de Zaragoza", "Colima",
"Chiapas", "Chihuahua", "Ciudad de México", "Durango", "Guanajuato", "Guerrero", "Hidalgo", "Jalisco",
"México", "Michoacán de Ocampo", "Morelos", "Nayarit", "Nuevo León", "Oaxaca", "Puebla", "Querétaro",
"Quintana Roo", "San Luis Potosí", "Sinaloa", "Sonora", "Tabasco", "Tamaulipas", "Tlaxcala",
"Veracruz de Ignacio de la Llave", "Yucatán", "Zacatecas")
est <- c("AGS", "BC", "BCS", "CAMP", "COAH", "COL", "CHIS", "CHIH", "CDMX", "DGO", "GTO", "GRO", "HGO",
"JAL", "MEX", "MICH", "MOR", "NAY", "NL", "OAX", "PUE", "QRO", "QROO", "SLP","SIN","SON", "TAB",
"TAMS", "TLX", "VER", "YUC", "ZAC")
# Claves de los municipios
MUN <- readRDS(paste0(here::here(), "/Bases/municipios_2010.RDS"))
nom_municipios <- sjlabelled::get_labels(MUN$NOM_MUN) %>% as.factor()
municipios <- sjlabelled::get_labels(MUN$CVE_MUN) %>% as.factor()
#saveRDS(MUN, file = paste0(here::here(), "/Bases/municipios_2010.RDS"))
# Claves de las zonas metropolitanas
zm <- sjlabelled::get_labels(mydata$CVE_ZM)[-2]
nom_zm <- sjlabelled::get_labels(mydata$NOM_ZM)[-2]Migración reciente
Migración interna
Matrices
Se utiliza la paquetería survey para poder trabajar con
la muestra del cuestionario ampliado, en la cual se selecciona a la
población de 5 años y más.
options(survey.lonely.psu = "adjust")
MC <- mydata %>%
select(CVE_ENT, CVE_MUN, RES05EDO_C, CVE_MUN_RES, CVE_ZM, CVE_ZM_RES, M, EDAD, FACTOR, ESTRATO, UPM) %>%
# Se genera una indicadora de zm
mutate(I_ZM_2010 = ifelse(is.na(.$CVE_ZM), '0', '1'),
I_RES5A_ZM_2010 = ifelse(is.na(.$CVE_ZM_RES), '0', '1')) %>%
# Se clasifican a los migrantes internos
mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_RES ~ 'Pertenecen a la Zona Metropolitana', #Residentes
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM == .$CVE_ZM_RES ~ "Pertenecen a la Zona Metropolitana", #Migrantes que residen en la misma zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM != .$CVE_ZM_RES ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residen en otra zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian fuera de la zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian dentro de una zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Migrantes que no residen en la zona metropolitana
)) %>%
filter(EDAD >= 5 & EDAD <= 130) %>%
filter(CVE_MUN_RES %in% municipios) %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_municipal.RDS"))MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_municipal.RDS"))
Migrantes <- svytable(~CVE_MUN_RES + CVE_MUN, design = MC) Se genera la matriz cuadrada y se le asignan los nombres de los estados.
Migrantes <- Migrantes %>%
as.data.frame() %>%
expss::cross_cases(CVE_MUN, CVE_MUN_RES, weight = Freq) %>%
as.data.frame() %>%
rename("CVE_MUN" = "row_labels") %>%
arrange(CVE_MUN) %>%
slice(-1)
rownames <- Migrantes %>%
mutate(CVE_MUN = substr(.$CVE_MUN, 9, 16)) %>%
pull(CVE_MUN)
colnames <- names(Migrantes) %>%
as.data.frame() %>%
slice(-1) %>%
rename("CVE_MUN" = ".") %>%
mutate(`CVE_MUN` = substr(.$CVE_MUN, 13, 20)) %>%
pull(CVE_MUN)
# Se elimina la variable CVE_MUN
Migrantes <- Migrantes %>%
select(-CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel municipal.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel municipal.RData"))
require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Reciente")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_MUN"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel municipal.xlsx"), overwrite = TRUE)Matriz de migración reciente hace 5 años a nivel municipal, 2005 - 2010
| Matriz de migración reciente 2005 - 2010 | |||||||||||||||||||||||||||||
| Nivel municipal | |||||||||||||||||||||||||||||
| CVE_MUN | 001001 | 001002 | 001003 | 001004 | 001005 | 001006 | 001007 | 001008 | 001009 | 001010 | 001011 | 002001 | 002002 | 002003 | 002004 | 002005 | 003001 | 003002 | 003003 | 003008 | 003009 | 004001 | 004002 | 004003 | 004004 | 004005 | 004006 | 004007 | 004008 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||||||||||||||||||||
Gráficos
ChordDiagram
Se filtran los flujos migratorios que son exclusivos de las zonas metropolitanas y que visualmente sean más interpretables.
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel municipal.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de las Zonas Metropolitanas
NOM_ZM <- stringr::str_wrap(nom_zm, 100)
## Tomamos las Zonas Metropolitanas con más de 3 municipios que tienen flujos migratorios
#### Con filtro (CF)
ZM_CF <- ZM_2010 %>%
group_by(CVE_ZM) %>%
summarise(Count = n()) %>%
filter(Count >= 0) %>%
pull(CVE_ZM)
NOM_ZM_CF <- ZM_2010 %>%
filter(CVE_ZM %in% ZM_CF) %>%
distinct(CVE_ZM, NOM_ZM)
ZM <- lapply(1:length(ZM_CF), function(x){
ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% ZM_CF[x]) %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(NOM_MUN)
})
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM = ZM, tabla = Migrantes)
Emigrantes <- Emigrantes_function(ZM = ZM, tabla = Migrantes)
################################## Filtro ######################################
#p <- data.frame(ZM = ZM_CF,
# filtro_municipio = tabla_municipios,
# filtro_estado = tabla_estados)
#write.xlsx(p, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel municipal.xlsx"), overwrite = TRUE)
#### Filtro de municipios
filtro_mig <- read.xlsx(paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel municipal.xlsx"), colNames = TRUE) %>%
pull(filtro_municipio)
#### Filtro de estados
filtro_out <- read.xlsx(paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel municipal.xlsx"), colNames = TRUE) %>%
pull(filtro_estado)
################################################################################
tabla1 <- migration_flows_metropolitan(tabla = Migrantes,
filtro_zm = ZM,
filtro_mig = filtro_mig,
filtro_out = filtro_out,
Emigrantes = Emigrantes,
Inmigrantes = Inmigrantes,
category_group = estados,
category_names = nom_estados,
group = "Otros estados")
## Se sacan los flujos migratorios que pertencen a otros estados
#tabla_estados <- sapply(1:length(ZM_CF), function(i){
# tabla1[[i]] %>%
# as.data.frame() %>%
# adorn_totals(c("row", "col"),
# fill = "-",
# na.rm = TRUE,
# ,,,,contains(colnames(tabla1[[i]]))) %>%
# select(`Otros estados`) %>%
# slice(nrow(.)) %>%
# mutate(`Otros estados` = .$`Otros estados`/4) %>%
# pull(`Otros estados`)
#})
## Se sacan los flujos migratorios que pertencen a otros municipios
#tabla_municipios <- sapply(1:length(ZM_CF), function(i){
# p <- tabla1[[i]] %>%
# as.data.frame() %>%
# select(-c(`Otros estados`)) %>%
# slice(-nrow(.))
# if(sum(p) == 0) {
# return(0)
# } else {
# p %>%
# adorn_totals(c("row", "col"),
# fill = "-",
# na.rm = TRUE,
# ,,,,contains(colnames(tabla1[[i]]))) %>%
# slice(nrow(.)) %>%
# mutate(Total = .$Total/50) %>%
# pull(Total)
# }
#})
## Se guardan las matrices de migración reciente para analizarlos después.
wb <- createWorkbook()
for(i in 1:length(ZM)){
tabla <- tabla1[[i]] %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(colnames(tabla1[[i]])))
addWorksheet(wb, paste(ZM_CF[i]))
writeData(wb, i, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel municipal_Reduccion.xlsx"),
overwrite = TRUE)
}
saveRDS(tabla1, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Tabla MR5a a nivel municipal.RDS"))tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Tabla MR5a a nivel municipal.RDS"))
total_tablas <- totales(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "Inmigrantes",
Emigrantes = "Emigrantes")
porcentajes_tablas <- porcentajes(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "%Inmigrantes",
Emigrantes = "%Emigrantes")
# Se guardan los totales de las matrices reducidas
wb <- createWorkbook()
for(i in 1:length(ZM)){
addWorksheet(wb, paste(ZM_CF[i]))
writeData(wb, i, total_tablas[[i]], colNames = TRUE, startCol = 1)
writeData(wb, i, porcentajes_tablas[[i]], colNames = TRUE, startCol = 5)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel municipal_Reduccion_Totales.xlsx"),
overwrite = TRUE)
}tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Tabla MR5a a nivel municipal.RDS"))
## Paleta de colores
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1, paleta)file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a desagregado por ZM.pdf"
## Gráficos a nivel municipal
chord_diagram_graph(file = file,
width = 15,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0.2,
circo.text = 9,
circos.axis.text = 6,
adj.text = c(-0.05, 0.5),
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = c(0, 0, 0, 0))Etiquetas
Gráfico Sankey
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel municipal.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de las Zonas Metropolitanas
NOM_ZM <- stringr::str_wrap(nom_zm, 25)
## Tomamos las Zonas Metropolitanas con más de 3 municipios que tienen flujos migratorios
#### Con filtro (CF)
ZM_CF <- ZM_2010 %>%
group_by(CVE_ZM) %>%
summarise(Count = n()) %>%
filter(Count > 3) %>%
pull(CVE_ZM)
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
filter(value > 0)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn), value, 0)) %>%
filter(value > 0) %>%
group_by(rn) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn), value, 0)) %>%
filter(value > 0) %>%
group_by(cn) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE))
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value > 0)
filtro_est <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
filter(value > 0)
################################################################################
tabla1 <- lapply(1:length(ZM_CF), function(x){
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% ZM_CF[x]) %>%
mutate(NOM_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(NOM_MUN)
# filtro de municipios metropolitanos
filtro <- filtro %>%
filter(rn %in% ZM) %>%
filter(value < 1000) %>%
pull(rn)
# filtro de estados
filtro_rn <- filtro_est %>%
mutate(value = ifelse(.$rn %nin% filtro |.$cn %nin% filtro, value, 0)) %>%
mutate(rn = substr(.$rn, 1, 3)) %>%
group_by(rn) %>%
summarise(Inm = sum(value, na.rm = TRUE))
filtro_cn <- filtro_est %>%
mutate(value = ifelse(.$rn %nin% filtro |.$cn %nin% filtro, value, 0)) %>%
mutate(cn = substr(.$cn, 1, 3)) %>%
group_by(cn) %>%
summarise(Emg = sum(value, na.rm = TRUE))
filtro_estados <- filtro_rn %>%
full_join(., filtro_cn, by = c("rn" = "cn")) %>%
mutate(value = sum_row(.$Inm, .$Emg, na.rm = TRUE)) %>%
filter(value > 5000) %>%
pull(rn)
tabla %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), .$value, 0)) %>%
mutate(rn = case_when(.$rn %in% ZM & .$rn %nin% filtro ~ .$rn,
.$rn %in% ZM & .$rn %in% filtro ~ paste(substr(.$rn, 1, 3), "Municipios ZM"),
.$rn %nin% ZM & substr(.$rn, 1, 3) %in% filtro_estados ~ paste0(nom_estados[as.numeric(substr(.$rn, 1, 3))]),
.$rn %nin% ZM & substr(.$rn, 1, 3) %nin% filtro_estados ~ "Otros estados"),
cn = case_when(.$cn %in% ZM & .$cn %nin% filtro ~ .$cn,
.$cn %in% ZM & .$cn %in% filtro ~ paste(substr(.$cn, 1, 3), "Municipios ZM"),
.$cn %nin% ZM & substr(.$cn, 1, 3) %in% filtro_estados ~ paste0(nom_estados[as.numeric(substr(.$cn, 1, 3))]),
.$cn %nin% ZM & substr(.$cn, 1, 3) %nin% filtro_estados ~ "Otros estados")) %>%
dcast(., rn ~ cn, value.var = "value", sum, na.rm = TRUE, fill = 0) %>%
column_to_rownames(., var = "rn")
}
)p <- lapply(1:length(ZM_CF), function(x){
tabla1[[x]] %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
curve_type = "quintic",
color = "transparent",
alpha = 0.85,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = cn),
color = "white",
alpha = 0.65,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.2,
min.segment.length = unit(1, "lines"),
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .2,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 5, b = 1, l = 0, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 7, family = "montserrat"),
legend.position = c(1.02, .5)) +
scale_x_discrete(expand = c(-0.1, 0.5)) +
scale_fill_viridis_d(option = "A", end = 1, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
}
)
path = paste0(here::here(),"/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/GSankey de MR5a desagregado por ZM_Absolutos.pdf")
ggexport(list = p, width = 18, height = 10, dpi = 400, filename = path)ZMVM
ChordDiagram
ChorDiagram sin grupos
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel municipal.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN), by = c("CVE_MUN")) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN), by = c("CVE_MUN")) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
## Se toma como referencia a la Zona Metropolitana del Valle de México
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% "13.01") %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 30)) %>%
pull(NOM_MUN)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM = ZM, tabla = Migrantes)
Emigrantes <- Emigrantes_function(ZM = ZM, tabla = Migrantes)
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value > 40000) %>%
pull(rn)
filtro_est <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
filter(rn %nin% ZM) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
mutate(rn = substr(.$rn, 1, 3)) %>%
group_by(rn) %>%
summarise(value = sum(value)) %>%
filter(value >= 25000) %>%
pull(rn)
################################################################################
tabla1 <- migration_flows_metropolitan_city(tabla = Migrantes,
filtro_zm = ZM,
filtro_municipios = filtro,
filtro_estados = filtro_est,
category_group = estados,
category_names = nom_estados,
group = "Otros estados") %>%
dcast(., rn ~ cn, value.var = "value", sum, na.rm = TRUE) %>%
column_to_rownames(., var = "rn") # Paleta de colores
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = as.matrix(tabla1), paleta)
file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a de ZMVM.pdf"
## Gráficos a nivel zona metropolitana (ZMVM)
chord_diagram_graph(file = file,
width = 7,
height = 7,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0.1,
circo.text = 7,
circos.axis.text = 5,
adj.text = c(-0.1, 0.5),
adj.ylim = 0.2,
gap.degree = 3,
clock.wise = TRUE,
track.margin = c(-0.2, 0.2),
margin = rep(1.5, 4))ChordDiagram con grupos
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel municipal.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN), by = c("CVE_MUN")) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN), by = c("CVE_MUN")) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
## Se toma como referencia a la Zona Metropolitana del Valle de México
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% "13.01") %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(NOM_MUN)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM = ZM, tabla = Migrantes)
Emigrantes <- Emigrantes_function(ZM = ZM, tabla = Migrantes)
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value > 30000) %>%
pull(rn)
filtro_est <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
filter(rn %nin% ZM) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
mutate(rn = substr(.$rn, 1, 3)) %>%
group_by(rn) %>%
summarise(value = sum(value)) %>%
filter(value >= 25000) %>%
pull(rn)
################################################################################
tabla <- migration_flows_metropolitan_city(tabla = Migrantes,
filtro_zm = ZM,
filtro_municipios = filtro,
filtro_estados = filtro_est,
category_group = estados,
category_names = nom_estados,
group = "Otros estados")
tabla1 <- tabla %>%
dcast(., rn ~ cn, value.var = "value", sum, na.rm = TRUE) %>%
column_to_rownames(., var = "rn")
# Grupo 1
grupo1 <- tabla %>%
filter(substr(.$rn, 1, 2) == "09") %>%
pull(rn) %>%
unique()
# Grupo 2
grupo2 <- tabla %>%
filter(substr(.$rn, 1, 2) == "15") %>%
pull(rn) %>%
unique()
# Grupo 3
grupo3 <- tabla %>%
filter(substr(.$rn, 1, 2) == "13") %>%
pull(rn) %>%
unique()
# Grupo 4
grupo4 <- tabla %>%
filter(substr(.$rn, 1, 2) %nin% c("09", "15", "13")) %>%
pull(rn) %>%
unique()
## Se guardan las matrices de migración reciente para analizarlos después.
tabla <- tabla1 %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(str_sort(unique(c(colnames(tabla1), rownames(tabla1))), numeric = TRUE)))
wb <- createWorkbook()
addWorksheet(wb, "ZMVM")
writeData(wb, 1, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a de ZMVM a nivel municipal_Reduccion.xlsx"),
overwrite = TRUE)# Paleta de colores
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = as.matrix(tabla1), paleta)
file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a de ZMVM_grupos (Intermunicipal).pdf"
chord_diagram_graph_zmvm(file = file,
width = 10,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = as.matrix(tabla1),
color_labels = "#000C7D",
transparency = 0.1,
circo.text = 9,
circos.axis.text = 7,
adj.text = c(-0.01, 0.5),
adj.ylim = 1,
gap.degree = 3,
clock.wise = FALSE,
track.margin = c(-0.2, 0.2),
margin = rep(0, 4),
group1 = grupo1,
group1.text = "Ciudad de México",
group1.col = 1,
group2 = grupo2,
group2.text = "México",
group2.col = 15,
group3 = grupo3,
group3.text = "Hidalgo",
group3.col = 20,
group4 = grupo4,
group4.text = "Otro municipios",
group4.col = 30) Etiquetas
Gráfico Sankey
Zona Metropolitana del Valle de México
(ZMVM)
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel municipal.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN), by = c("CVE_MUN")) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 30)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN), by = c("CVE_MUN")) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 30)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
## Se toma como referencia a la Zona Metropolitana del Valle de México
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% "13.01") %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 30)) %>%
pull(NOM_MUN)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
filter(value > 0) %>%
group_by(rn) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
filter(value > 0) %>%
group_by(cn) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE))
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = Inmigrantes + Emigrantes) %>%
filter(rn %in% ZM) %>%
filter(value < 50000) %>%
pull(rn)
### filtro de estados
filtro_rn <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & .$rn %in% ZM |.$cn %in% ZM, value, 0)) %>%
filter(value > 0) %>%
mutate(rn = substr(.$rn, 1, 3)) %>%
group_by(rn) %>%
summarise(Inm = sum(value, na.rm = TRUE))
filtro_cn <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & .$rn %in% ZM |.$cn %in% ZM, value, 0)) %>%
filter(value > 0) %>%
mutate(cn = substr(.$cn, 1, 3)) %>%
group_by(cn) %>%
summarise(Emg = sum(value, na.rm = TRUE))
filtro_estados <- filtro_rn %>%
full_join(., filtro_cn, by = c("rn" = "cn")) %>%
mutate(value = sum_row(.$Inm, .$Emg, na.rm = TRUE)) %>%
filter(value > 50000) %>%
pull(rn)
################################################################################
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
mutate(rn = case_when(.$rn %in% ZM & .$rn %nin% filtro ~ .$rn,
.$rn %in% ZM & .$rn %in% filtro ~ paste(substr(.$rn, 1, 3), "Municipios ZM"),
.$rn %nin% ZM & substr(.$rn, 1, 3) %in% filtro_estados ~ paste0(nom_estados[as.numeric(substr(.$rn, 1, 3))]),
.$rn %nin% ZM & substr(.$rn, 1, 3) %nin% filtro_estados ~ "Otros estados"),
cn = case_when(.$cn %in% ZM & .$cn %nin% filtro ~ .$cn,
.$cn %in% ZM & .$cn %in% filtro ~ paste(substr(.$cn, 1, 3), "Municipios ZM"),
.$cn %nin% ZM & substr(.$cn, 1, 3) %in% filtro_estados ~ paste0(nom_estados[as.numeric(substr(.$cn, 1, 3))]),
.$cn %nin% ZM & substr(.$cn, 1, 3) %nin% filtro_estados ~ "Otros estados")) %>%
filter(value > 0)
p <- tabla %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
curve_type = "quintic",
color = "transparent",
alpha = 0.85,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = cn),
color = "white",
alpha = 0.65,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.23,
min.segment.length = unit(1, "lines"),
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .23,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 4, b = 1, l = 0, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 9, family = "montserrat"),
legend.position = c(0.999, .5)) +
scale_x_discrete(expand = c(-0.1, 0.5)) +
scale_fill_viridis_d(option = "A", end = 0.9, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
path = paste0(here::here(), "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/GSankey de MR5a de la ZMVM.pdf")
ggexport(p, width = 20, height = 12, dpi = 400, filename = path)Indicadores
Se realizan cálculos generales de migración:
Residentes
Inmigrantes
Emigrantes
% Inmigrantes
% Emigrante
Migración bruta
Migración Neta
% Tasa de migración bruta
% Tasa de migración neta
Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora.
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_MUN) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <=130) %>%
group_by(CVE_MUN) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal.RData"))
Residentes <- Migrantes %>%
rownames_to_column() %>%
gather(CVE_MUN, Value, -rowname)%>%
filter(rowname == CVE_MUN) %>%
select(-rowname) %>%
droplevels() %>%
rename("Residentes" = "Value")
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
################################################################################
############################### Emigrantes #####################################
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN_RES) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
rename("CVE_MUN" = "CVE_MUN_RES")
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_MUN")) %>%
left_join(., Residentes, by = c("CVE_MUN")) %>%
left_join(., Inmigrantes, by = c("CVE_MUN")) %>%
left_join(., Emigrantes, by = c("CVE_MUN")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010.RData"))| Indicadores de migración reciente a nivel municipal | |||||||||||
| Zonas Metropolitanas | |||||||||||
| CVE_MUN | Pob.Total | Pob.5ymas | Residentes | Inmigrantes | Emigrantes | Mig.Neta | Mig.Bruta | Tasa.Inmig | Tasa.Emig | Tasa.Mig | Eficacia |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||
Se genera la matriz cuadrada y se le asignan los nombres de los estados.
Migración intramunicipal
Matrices
Se utiliza la paquetería survey para poder trabajar con
la muestra del cuestionario ampliado, en la cual se selecciona a la
población de 5 años y más.
options(survey.lonely.psu = "adjust")
MC <- mydata %>%
select(CVE_ENT, CVE_MUN, RES05EDO_C, CVE_MUN_RES, CVE_ZM, CVE_ZM_RES, M, EDAD, FACTOR, ESTRATO, UPM) %>%
# Se genera una indicadora de zm
mutate(I_ZM_2010 = ifelse(is.na(.$CVE_ZM), '0', '1'),
I_RES5A_ZM_2010 = ifelse(is.na(.$CVE_ZM_RES), '0', '1')) %>%
# Se clasifican a los migrantes internos
mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_RES ~ 'Pertenecen a la Zona Metropolitana', #Residentes
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM == .$CVE_ZM_RES ~ "Pertenecen a la Zona Metropolitana", #Migrantes que residen en la misma zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM != .$CVE_ZM_RES ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residen en otra zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian fuera de la zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian dentro de una zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Migrantes que no residen en la zona metropolitana
)) %>%
filter(EDAD >= 5 & EDAD <= 130) %>%
filter(CVE_MUN_RES %in% municipios & .$I_ZM %in% "Pertenecen a la Zona Metropolitana") %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_intramunicipal.RDS"))Se genera una matriz cruzada del lugar de residencia hace 5 años a
nivel municipal, utilizando la función svytable de la
paquetería survey.
MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_intramunicipal.RDS"))
Migrantes <- svytable(~CVE_MUN_RES + CVE_MUN, design = MC)Se genera la matriz cuadrada y se le asignan las etiquetas de municipios.
Migrantes <- Migrantes %>%
as.data.frame() %>%
expss::cross_cases(CVE_MUN, CVE_MUN_RES, weight = Freq) %>%
as.data.frame() %>%
rename("CVE_MUN" = "row_labels") %>%
arrange(CVE_MUN) %>%
slice(-1)
rownames <- Migrantes %>%
mutate(CVE_MUN = substr(.$CVE_MUN, 9, 16)) %>%
pull(CVE_MUN)
colnames <- names(Migrantes) %>%
as.data.frame() %>%
slice(-1) %>%
rename("CVE_MUN" = ".") %>%
mutate(`CVE_MUN` = substr(.$CVE_MUN, 13, 20)) %>%
pull(CVE_MUN)
# Se elimina la variable CVE_MUN
Migrantes <- Migrantes %>%
select(-CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intramunicipal 2010.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intramunicipal 2010.RData"))
require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Intramunicipal")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_MUN"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intramunicipal 2010.xlsx"), overwrite = TRUE)Matriz de migración reciente hace 5 años a nivel municipal, 2005 - 2010
| Matriz de migración reciente por zonas metropolitanas | |||||||||||||||||||||||||||||
| Nivel intramunicipal | |||||||||||||||||||||||||||||
| CVE_MUN | 001001 | 001002 | 001003 | 001004 | 001005 | 001006 | 001007 | 001008 | 001009 | 001010 | 001011 | 002001 | 002002 | 002003 | 002004 | 002005 | 003001 | 003002 | 003003 | 003008 | 003009 | 004001 | 004002 | 004003 | 004004 | 004005 | 004006 | 004007 | 004008 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||||||||||||||||||||
Matrices por zonas metropolitanas
MR <- NULL
for(i in 1:length(zm)){
tabla <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN) %>%
filter(CVE_ZM %in% zm[i]) %>%
pull(CVE_MUN)
MR[[paste0(zm[i])]] <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
mutate_if(is.numeric, as.numeric) %>%
select(CVE_MUN, all_of(tabla)) %>%
filter(CVE_MUN %in% tabla)
}
# Se guardan en un objeto de R
saveRDS(MR, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matrices de MR5a a nivel intramunicipal por ZM2010.RDS"))
# Se genera un Excel con todas las matrices por ZM
wb <- createWorkbook()
for(i in 1:length(zm)){
addWorksheet(wb, paste0(zm[i]))
writeData(wb, i, MR[[paste0(zm[i])]] %>% as.data.frame())
saveWorkbook(wb,
file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matrices de MR5a a nivel intramunicipal por ZM2010.xlsx"),
overwrite = TRUE)
}Matriz de migración reciente hace 5 años en la Zona Metropolitana de Cuernavaca, 2005 - 2010
| Matriz de migración reciente a nivel intramunicipal | ||||||||
| Zona Metropolitana de Cuernavaca | ||||||||
| CVE_MUN | 017007 | 017008 | 017009 | 017011 | 017018 | 017020 | 017024 | 017028 |
|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | ||||||||
Gráficos
ChordDiagram
Gráficos por estados
Se filtran los flujos migratorios que son exclusivos de los estados y que visualmente sean más interpretables.
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intramunicipal 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de las Zonas Metropolitanas
NOM_ZM <- stringr::str_wrap(nom_zm, 100)
## Tomamos las Zonas Metropolitanas con más de 3 municipios que tienen flujos migratorios
#### Con filtro (CF)
ZM_CF <- ZM_2010 %>%
group_by(CVE_ZM) %>%
summarise(Count = n()) %>%
filter(Count >= 3) %>%
pull(CVE_ZM)
NOM_ZM_CF <- ZM_2010 %>%
filter(CVE_ZM %in% ZM_CF) %>%
distinct(CVE_ZM, NOM_ZM)
ZM <- lapply(1:length(ZM_CF), function(x){
ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% ZM_CF[x]) %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(NOM_MUN)
})
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM, Migrantes)
Emigrantes <- Emigrantes_function(ZM, Migrantes)
################################# Filtro #######################################
### Sacar el promedio de los flujos migratiorios para determinar como se van a grupar los estados
#### Es importante correr la tabla1[[x]] sin filtros para determinar el número promedio de flujos de migración
### Filtro <<<< filter(value > 0 & rn != estado[x])
#p <- data.frame(ZM = ZM_CF,
# filtro_municipio = tabla_municipios)
#write.xlsx(p, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel intramunicipal.xlsx"), overwrite = TRUE)
#### Filtro de municipios
filtro_mig <- read.xlsx(paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel intramunicipal.xlsx"), colNames = TRUE) %>%
pull(filtro_municipio)
################################################################################
tabla1 <- intramunicipal_flows_metropolitan(tabla = Migrantes,
filtro_zm = ZM,
filtro_mig = filtro_mig,
Emigrantes = Emigrantes,
Inmigrantes = Inmigrantes,
category_group = estados,
group = "Otros municipios")
tabla1 <- purrr::map(tabla1, ~ .x %>%
dcast(rn ~ cn, value.var = "value", sum, na.rm = TRUE) %>%
column_to_rownames(var = "rn"))
################################################################################
## Se guardan las matrices de migración reciente para analizarlos después.
wb <- createWorkbook()
for(i in 1:length(ZM)){
tabla <- tabla1[[i]] %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(colnames(tabla1[[i]])))
addWorksheet(wb, paste(ZM_CF[i]))
writeData(wb, i, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel intramunicipal_Reduccion.xlsx"),
overwrite = TRUE)
}
saveRDS(tabla1, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel intramunicipal.RDS"))tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel intramunicipal.RDS"))
total_tablas <- totales(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "Inmigrantes",
Emigrantes = "Emigrantes")
porcentajes_tablas <- porcentajes(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "%Inmigrantes",
Emigrantes = "%Emigrantes")
# Se guardan los totales de las matrices reducidas
wb <- createWorkbook()
for(i in 1:length(ZM)){
addWorksheet(wb, paste(ZM_CF[i]))
writeData(wb, i, total_tablas[[i]], colNames = TRUE, startCol = 1)
writeData(wb, i, porcentajes_tablas[[i]], colNames = TRUE, startCol = 5)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel intramunicipal_Reduccion_Totales.xlsx"),
overwrite = TRUE)
}tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel intramunicipal.RDS"))
#Paleta de colores
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = tabla1, paleta)file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a desagregado por ZM (Intramunicipal).pdf"
## Gráficos a nivel intramunicipal
chord_diagram_graph(file = file,
width = 15,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0,
circo.text = 9,
circos.axis.text = 6,
adj.text = c(-0.05, 0.5),
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = rep(0, 4))Etiquetas
Gráfico Sankey
## Tomamos las Zonas Metropolitanas con más de 3 municipios con flujos migratorios
ZM_CF <- ZM_2010 %>%
group_by(CVE_ZM) %>%
summarise(Count = n()) %>%
filter(Count > 2) %>%
pull(CVE_ZM)
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn")
tabla1 <- lapply(1:length(ZM_CF), function(x){
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% ZM_CF[x]) %>%
mutate(NOM_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(NOM_MUN)
tabla %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
filter(value > 0)
}
) p <- lapply(1:length(ZM_CF), function(x){
tabla1[[x]] %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
curve_type = "quintic",
color = "transparent",
alpha = 0.85,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = cn),
color = "white",
alpha = 0.65,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.2,
min.segment.length = unit(1, "lines"),
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .2,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 1.5, b = 1, l = 0, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 9, family = "montserrat"),
legend.position = c(1, .5)) +
scale_x_discrete(expand = c(-0.1, 0.35)) +
scale_fill_viridis_d(option = "A", end = 1, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
}
)
path = paste0(here::here(), "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/GSankey de MR5a desagregado por ZM_Absolutos (Intramunicipal).pdf")
ggexport(list = p, width = 14, height = 10, dpi = 400, filename = path)ZMVM
ChordDiagram
ChorDiagram sin grupos
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intramunicipal 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
## Se toma como referencia a la Zona Metropolitana del Valle de México
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% "13.01") %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(NOM_MUN)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM, Migrantes)
Emigrantes <- Emigrantes_function(ZM, Migrantes)
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value < 15000) %>%
pull(rn)
################################################################################
tabla1 <- migration_flows_metropolitan_city(tabla = Migrantes,
filtro_zm = ZM,
filtro_municipios = filtro,
filtro_estados = NULL,
category_group = estados,
category_names = nom_estados,
group = "ZMVM") %>%
dcast(., rn ~ cn, value.var = "value", sum, na.rm = TRUE) %>%
column_to_rownames(., var = "rn") #Paleta de colores
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = as.matrix(tabla1), paleta)
file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a de ZMVM (Intramunicipal).pdf"
## Gráficos a nivel zona metropolitana (ZMVM)
chord_diagram_graph(file = file,
width = 7,
height = 7,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0.1,
circo.text = 7,
circos.axis.text = 5,
adj.text = c(-0.1, 0.5),
adj.ylim = 0.2,
gap.degree = 3,
clock.wise = TRUE,
track.margin = c(-0.2, 0.2),
margin = rep(1.5, 4))ChordDiagram con grupos
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intramunicipal 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
## Se toma como referencia a la Zona Metropolitana del Valle de México
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% "13.01") %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(NOM_MUN)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM, Migrantes)
Emigrantes <- Emigrantes_function(ZM, Migrantes)
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value < 15000) %>%
pull(rn)
################################################################################
################################################################################
tabla <- migration_flows_metropolitan_city(tabla = Migrantes,
filtro_zm = ZM,
filtro_municipios = filtro,
filtro_estados = NULL,
category_group = estados,
category_names = nom_estados,
group = "ZMVM")
tabla1 <- tabla %>%
dcast(., rn ~ cn, value.var = "value", sum, na.rm = TRUE) %>%
column_to_rownames(., var = "rn")
# Grupo 1
grupo1 <- tabla %>%
filter(substr(.$rn, 1, 2) == "09") %>%
pull(rn) %>%
unique()
# Grupo 2
grupo2 <- tabla %>%
filter(substr(.$rn, 1, 2) == "15") %>%
pull(rn) %>%
unique()
# Grupo 3
grupo3 <- tabla %>%
filter(substr(.$rn, 1, 2) == "13") %>%
pull(rn) %>%
unique()
## Se guardan las matrices de migración reciente para analizarlos después.
tabla <- tabla1 %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(colnames(tabla1)))
wb <- createWorkbook()
addWorksheet(wb, "ZMVM")
writeData(wb, 1, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a de ZMVM a nivel intramunicipal_Reduccion.xlsx"),
overwrite = TRUE)#Paleta de colores
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = as.matrix(tabla1), paleta)
file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a de ZMVM_grupos (Intramunicipal).pdf"
## Gráficos a nivel zona metropolitana (ZMVM)
chord_diagram_graph_zmvm(file = file,
width = 10,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = as.matrix(tabla1),
color_labels = "#000C7D",
transparency = 0.1,
circo.text = 9,
circos.axis.text = 7,
adj.text = c(-0.01, 0.5),
adj.ylim = 1,
gap.degree = 3,
clock.wise = TRUE,
track.margin = c(-0.2, 0.2),
margin = rep(0, 4),
group1 = grupo1,
group1.text = "Ciudad de México",
group1.col = 1,
group2 = grupo2,
group2.text = "México",
group2.col = 15,
group3 = grupo3,
group3.text = "Hidalgo",
group3.col = 20)Etiquetas
Gráfico Sankey
Zona Metropolitana del Valle de México
(ZMVM)
## Se toma como referencia a la Zona Metropolitana del Valle de México
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% "13.01") %>%
mutate(NOM_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(NOM_MUN)
##########################################################################################
######################################## Filtro ##########################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
filter(value > 0) %>%
group_by(rn) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
filter(value > 0) %>%
group_by(cn) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE))
######################################## Filtro ##########################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = Inmigrantes + Emigrantes) %>%
filter(value < 30000) %>%
pull(rn)
#########################################################################################
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
mutate(rn = ifelse(.$rn %in% filtro, stringr::str_wrap(paste0(substr(as.character(.$rn), 1, 3), " Otros municipios(", estados[as.numeric(substr(as.character(.$rn), 1, 3))], ")"), 20), .$rn),
cn = ifelse(.$cn %in% filtro, stringr::str_wrap(paste0(substr(as.character(.$cn), 1, 3), " Otros municipios(", estados[as.numeric(substr(as.character(.$cn), 1, 3))], ")"), 20) , .$cn)) %>%
filter(value > 0)
p <- tabla %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
curve_type = "quintic",
color = "transparent",
alpha = 0.85,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = cn),
color = "white",
alpha = 0.65,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.23,
min.segment.length = unit(1, "lines"),
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .23,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 4, b = 1, l = 0, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 9, family = "montserrat"),
legend.position = c(0.999, .5)) +
scale_x_discrete(expand = c(-0.1, 0.5)) +
scale_fill_viridis_d(option = "A", end = 0.9, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
path = paste0(here::here(),"/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/GSankey de MR5a de la ZMVM (Intramunicipal).pdf")
ggexport(p, width = 20, height = 12, dpi = 400, filename = path)Indicadores
Se realizan cálculos generales de migración:
Residentes
Inmigrantes
Emigrantes
% Inmigrantes
% Emigrante
Migración bruta
Migración Neta
% Tasa de migración bruta
% Tasa de migración neta
Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora.
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_MUN) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <=130) %>%
group_by(CVE_MUN) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intramunicipal 2010.RData"))
Residentes <- Migrantes %>%
rownames_to_column() %>%
gather(CVE_MUN, Value, -rowname)%>%
filter(rowname == CVE_MUN) %>%
select(-rowname) %>%
droplevels() %>%
rename("Residentes" = "Value")
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
################################################################################
############################### Emigrantes #####################################
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN_RES) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
rename("CVE_MUN" = "CVE_MUN_RES")
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_MUN")) %>%
left_join(., Residentes, by = c("CVE_MUN")) %>%
left_join(., Inmigrantes, by = c("CVE_MUN")) %>%
left_join(., Emigrantes, by = c("CVE_MUN")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Intramunicipal).xlsx"),
overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Intramunicipal).RData"))| Indicadores de migración reciente a nivel intramunicipal | |||||||||||
| Zonas Metropolitanas | |||||||||||
| CVE_MUN | Pob.Total | Pob.5ymas | Residentes | Inmigrantes | Emigrantes | Mig.Neta | Mig.Bruta | Tasa.Inmig | Tasa.Emig | Tasa.Mig | Eficacia |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||
Migración intermunicipal
Matrices
options(survey.lonely.psu = "adjust")
MC <- mydata %>%
select(CVE_ENT, CVE_MUN, RES05EDO_C, CVE_MUN_RES, CVE_ZM, CVE_ZM_RES, M, EDAD, FACTOR, ESTRATO, UPM) %>%
# Se genera una indicadora de zm
mutate(I_ZM_2010 = ifelse(is.na(.$CVE_ZM), '0', '1'),
I_RES5A_ZM_2010 = ifelse(is.na(.$CVE_ZM_RES), '0', '1')) %>%
# Se clasifican a los migrantes internos
mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_RES ~ 'Pertenecen a la Zona Metropolitana', #Residentes
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM == .$CVE_ZM_RES ~ "Pertenecen a la Zona Metropolitana", #Migrantes que residen en la misma zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM != .$CVE_ZM_RES ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residen en otra zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian fuera de la zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian dentro de una zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Migrantes que no residen en la zona metropolitana
)) %>%
filter(EDAD >= 5 & EDAD <= 130) %>%
filter(CVE_MUN_RES %in% municipios & .$I_ZM %in% "No pertenecen a la Zona Metropolitana") %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_intermunicipal.RDS"))Se genera una matriz cruzada del lugar de residencia hace 5 años a
nivel municipal, utilizando la función svytable de la
paquetería survey.
MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_intermunicipal.RDS"))
Migrantes <- svytable(~CVE_MUN_RES + CVE_MUN, design = MC)Se genera la matriz cuadrada y se le asignan las etiquetas de municipios.
Migrantes <- Migrantes %>%
as.data.frame() %>%
expss::cross_cases(CVE_MUN, CVE_MUN_RES, weight = Freq) %>%
as.data.frame() %>%
rename("CVE_MUN" = "row_labels") %>%
arrange(CVE_MUN) %>%
slice(-1)
rownames <- Migrantes %>%
mutate(CVE_MUN = substr(.$CVE_MUN, 9, 16)) %>%
pull(CVE_MUN)
colnames <- names(Migrantes) %>%
as.data.frame() %>%
slice(-1) %>%
rename("CVE_MUN" = ".") %>%
mutate(`CVE_MUN` = substr(.$CVE_MUN, 13, 20)) %>%
pull(CVE_MUN)
# Se elimina la variable CVE_MUN
Migrantes <- Migrantes %>%
select(-CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.RData"))
require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Intermunicipal")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_MUN"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.xlsx"), overwrite = TRUE)Matriz de migración reciente hace 5 años a nivel intermunicipal, 2005 - 2010
| Matriz de migración reciente por zonas metropolitanas | |||||||||||||||||||||||||||||
| Nivel intermunicipal | |||||||||||||||||||||||||||||
| CVE_MUN | 001001 | 001002 | 001003 | 001004 | 001005 | 001006 | 001007 | 001008 | 001009 | 001010 | 001011 | 002001 | 002002 | 002003 | 002004 | 002005 | 003001 | 003002 | 003003 | 003008 | 003009 | 004001 | 004002 | 004003 | 004004 | 004005 | 004006 | 004007 | 004008 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||||||||||||||||||||
Gráficos
ChordDiagram
Gráficos por estados
Se filtran los flujos migratorios que son exclusivos de los estados y que visualmente sean más interpretables.
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de las Zonas Metropolitanas
NOM_ZM <- stringr::str_wrap(nom_zm, 100)
## Tomamos las Zonas Metropolitanas con más de 3 municipios que tienen flujos migratorios
#### Con filtro (CF)
ZM_CF <- ZM_2010 %>%
group_by(CVE_ZM) %>%
summarise(Count = n()) %>%
filter(Count >= 0) %>%
pull(CVE_ZM)
NOM_ZM_CF <- ZM_2010 %>%
filter(CVE_ZM %in% ZM_CF) %>%
distinct(CVE_ZM, NOM_ZM)
ZM <- lapply(1:length(ZM_CF), function(x){
ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% ZM_CF[x]) %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(NOM_MUN)
})
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM, Migrantes)
Emigrantes <- Emigrantes_function(ZM, Migrantes)
################################## Filtro ######################################
#p <- data.frame(ZM = ZM_CF,
# filtro_municipio = filtro_mig,
# filtro_estado = filtro_out)
#write.xlsx(p, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel intermunicipal.xlsx"), overwrite = TRUE)
#### Filtro de municipios
filtro_mig <- read.xlsx(paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel intermunicipal.xlsx"), colNames = TRUE) %>%
pull(filtro_municipio)
#### Filtro de estados
filtro_out <- read.xlsx(paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel intermunicipal.xlsx"), colNames = TRUE) %>%
pull(filtro_estado)
################################################################################
tabla1 <- migration_flows_metropolitan(tabla = Migrantes,
filtro_zm = ZM,
filtro_mig = filtro_mig,
filtro_out = filtro_out,
Emigrantes = Emigrantes,
Inmigrantes = Inmigrantes,
category_group = estados,
category_names = nom_estados,
group = "Otros estados")
## Se sacan los flujos migratorios que pertencen a otros estados
#tabla_estados <- sapply(1:length(ZM_CF), function(i){
# tabla1[[i]] %>%
# as.data.frame() %>%
# adorn_totals(c("row", "col"),
# fill = "-",
# na.rm = TRUE,
# ,,,,contains(colnames(tabla1[[i]]))) %>%
# select(`Otros estados`) %>%
# slice(nrow(.)) %>%
# mutate(`Otros estados` = .$`Otros estados`/10) %>%
# pull(`Otros estados`)
#})
## Se sacan los flujos migratorios que pertencen a otros municipios
#tabla_municipios <- sapply(1:length(ZM_CF), function(i){
# p <- tabla1[[i]] %>%
# as.data.frame() %>%
# select(-c(`Otros estados`)) %>%
# slice(-nrow(.))
# if(sum(p) == 0) {
# return(0)
# } else {
# p %>%
# adorn_totals(c("row", "col"),
# fill = "-",
# na.rm = TRUE,
# ,,,,contains(colnames(tabla1[[i]]))) %>%
# slice(nrow(.)) %>%
# mutate(Total = .$Total/100) %>%
# pull(Total)
# }
#})
## Se guardan las matrices de migración reciente para analizarlos después.
wb <- createWorkbook()
for(i in 1:length(ZM)){
tabla <- tabla1[[i]] %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(colnames(tabla1[[i]])))
addWorksheet(wb, paste(ZM_CF[i]))
writeData(wb, i, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel intermunicipal_Reduccion.xlsx"),
overwrite = TRUE)
}
saveRDS(tabla1, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Tabla MR5a a nivel intermunicipal.RDS"))tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Tabla MR5a a nivel intermunicipal.RDS"))
total_tablas <- totales(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "Inmigrantes",
Emigrantes = "Emigrantes")
porcentajes_tablas <- porcentajes(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "%Inmigrantes",
Emigrantes = "%Emigrantes")
# Se guardan los totales de las matrices reducidas
wb <- createWorkbook()
for(i in 1:length(ZM)){
addWorksheet(wb, paste(ZM_CF[i]))
writeData(wb, i, total_tablas[[i]], colNames = TRUE, startCol = 1)
writeData(wb, i, porcentajes_tablas[[i]], colNames = TRUE, startCol = 5)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel intermunicipal_Reduccion_Totales.xlsx"),
overwrite = TRUE)
}tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Tabla MR5a a nivel intermunicipal.RDS"))
#Paleta de colores
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1, paleta)file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a desagregado por ZM (Intermunicipal).pdf"
## Gráficos a nivel intermunicipal
chord_diagram_graph(file = file,
width = 15,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0,
circo.text = 9,
circos.axis.text = 6,
adj.text = c(-0.05, 0.5), #Ajuste de las etiquetas (x, y)
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = rep(0, 4))Etiquetas
Gráfico Sankey
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN), by = c("CVE_MUN")) %>%
mutate(CVE_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN), by = c("CVE_MUN")) %>%
mutate(CVE_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de las Zonas Metropolitanas
NOM_ZM <- stringr::str_wrap(nom_zm, 25)
## Tomamos las Zonas Metropolitanas con más de 3 municipios que tienen flujos migratorios
#### Con filtro (CF)
ZM_CF <- ZM_2010 %>%
group_by(CVE_ZM) %>%
summarise(Count = n()) %>%
filter(Count > 3) %>%
pull(CVE_ZM)
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
filter(value > 0)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn), value, 0)) %>%
filter(value > 0) %>%
group_by(rn) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn), value, 0)) %>%
filter(value > 0) %>%
group_by(cn) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE))
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value > 0)
filtro_est <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
filter(value > 0)
################################################################################
tabla1 <- lapply(1:length(ZM_CF), function(x){
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% ZM_CF[x]) %>%
mutate(NOM_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(NOM_MUN)
# filtro de municipios metropolitanos
filtro <- filtro %>%
filter(rn %in% ZM) %>%
filter(value < 1000) %>%
pull(rn)
# filtro de estados
filtro_rn <- filtro_est %>%
mutate(value = ifelse(.$rn %nin% filtro |.$cn %nin% filtro, value, 0)) %>%
mutate(rn = substr(.$rn, 1, 3)) %>%
group_by(rn) %>%
summarise(Inm = sum(value, na.rm = TRUE))
filtro_cn <- filtro_est %>%
mutate(value = ifelse(.$rn %nin% filtro |.$cn %nin% filtro, value, 0)) %>%
mutate(cn = substr(.$cn, 1, 3)) %>%
group_by(cn) %>%
summarise(Emg = sum(value, na.rm = TRUE))
filtro_estados <- filtro_rn %>%
full_join(., filtro_cn, by = c("rn" = "cn")) %>%
mutate(value = sum_row(.$Inm, .$Emg, na.rm = TRUE)) %>%
filter(value > 50000) %>%
pull(rn)
tabla %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), .$value, 0)) %>%
mutate(rn = case_when(.$rn %in% ZM & .$rn %nin% filtro ~ .$rn,
.$rn %in% ZM & .$rn %in% filtro ~ paste(substr(.$rn, 1, 3), "Municipios ZM"),
.$rn %nin% ZM & substr(.$rn, 1, 3) %in% filtro_estados ~ paste0(nom_estados[as.numeric(substr(.$rn, 1, 3))]),
.$rn %nin% ZM & substr(.$rn, 1, 3) %nin% filtro_estados ~ "Otros estados"),
cn = case_when(.$cn %in% ZM & .$cn %nin% filtro ~ .$cn,
.$cn %in% ZM & .$cn %in% filtro ~ paste(substr(.$cn, 1, 3), "Municipios ZM"),
.$cn %nin% ZM & substr(.$cn, 1, 3) %in% filtro_estados ~ paste0(nom_estados[as.numeric(substr(.$cn, 1, 3))]),
.$cn %nin% ZM & substr(.$cn, 1, 3) %nin% filtro_estados ~ "Otros estados")) %>%
filter(value > 0)
}
)p <- lapply(1:length(ZM_CF), function(x){
tabla1[[x]] %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
curve_type = "quintic",
color = "transparent",
alpha = 0.85,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = cn),
color = "white",
alpha = 0.65,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.2,
min.segment.length = unit(1, "lines"),
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .2,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 5, b = 1, l = 0, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 7, family = "montserrat"),
legend.position = c(1.02, .5)) +
scale_x_discrete(expand = c(-0.1, 0.5)) +
scale_fill_viridis_d(option = "A", end = 1, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
}
)
path = paste0(here::here(),"/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/GSankey de MR5a desagregado por ZM_Absolutos (Intermunicipal).pdf")
ggexport(list = p, width = 18, height = 10, dpi = 400, filename = path)ZMVM
ChordDiagram
ChorDiagram sin grupos
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
## Se toma como referencia a la Zona Metropolitana del Valle de México
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% "13.01") %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(NOM_MUN)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM, Migrantes)
Emigrantes <- Emigrantes_function(ZM, Migrantes)
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
filter(rn %in% ZM) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value > 8000) %>%
pull(rn)
filtro_est <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
filter(rn %nin% ZM) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
mutate(rn = substr(.$rn, 1, 3)) %>%
group_by(rn) %>%
summarise(value = sum(value)) %>%
filter(value > 10000) %>%
pull(rn)
################################################################################
tabla1 <- migration_flows_metropolitan_city(tabla = Migrantes,
filtro_zm = ZM,
filtro_municipios = filtro,
filtro_estados = filtro_est,
category_group = estados,
category_names = nom_estados,
group = "Otros estados") %>%
dcast(., rn ~ cn, value.var = "value", sum, na.rm = TRUE) %>%
column_to_rownames(., var = "rn") # Paleta de colores
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = as.matrix(tabla1), paleta)
file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a de ZMVM (Intermunicipal).pdf"
## Gráficos a nivel intermunicipal ZMVM
chord_diagram_graph(file = file,
width = 7,
height = 7,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0.1,
circo.text = 7,
circos.axis.text = 5,
adj.text = c(-0.1, 0.5),
adj.ylim = 0.2,
gap.degree = 3,
clock.wise = FALSE,
track.margin = c(-0.2, 0.2),
margin = rep(1.5, 4))ChordDiagram con grupos
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
## Se toma como referencia a la Zona Metropolitana del Valle de México
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% "13.01") %>%
mutate(NOM_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 50)) %>%
pull(NOM_MUN)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM, Migrantes)
Emigrantes <- Emigrantes_function(ZM, Migrantes)
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
filter(rn %in% ZM) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value > 8000) %>%
pull(rn)
filtro_est <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
filter(rn %nin% ZM) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
mutate(rn = substr(.$rn, 1, 3)) %>%
group_by(rn) %>%
summarise(value = sum(value)) %>%
filter(value > 10000) %>%
pull(rn)
################################################################################
tabla <- migration_flows_metropolitan_city(tabla = Migrantes,
filtro_zm = ZM,
filtro_municipios = filtro,
filtro_estados = filtro_est,
category_group = estados,
category_names = nom_estados,
group = "Otros estados")
tabla1 <- tabla %>%
dcast(., rn ~ cn, value.var = "value", sum, na.rm = TRUE) %>%
column_to_rownames(., var = "rn")
# Grupo 1
grupo1 <- tabla %>%
filter(substr(.$rn, 1, 2) == "09") %>%
pull(rn) %>%
unique()
# Grupo 2
grupo2 <- tabla %>%
filter(substr(.$rn, 1, 2) == "15") %>%
pull(rn) %>%
unique()
# Grupo 3
grupo3 <- tabla %>%
filter(substr(.$rn, 1, 2) == "13") %>%
pull(rn) %>%
unique()
# Grupo 4
grupo4 <- tabla %>%
filter(substr(.$rn, 1, 2) %nin% c("09", "15", "13")) %>%
pull(rn) %>%
unique()
## Se guardan las matrices de migración reciente para analizarlos después.
tabla <- tabla1 %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(colnames(tabla1)))
wb <- createWorkbook()
addWorksheet(wb, "ZMVM")
writeData(wb, 1, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a de ZMVM a nivel intermunicipal_Reduccion.xlsx"),
overwrite = TRUE)# Paleta de colores
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = as.matrix(tabla1), paleta)
file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a de ZMVM_grupos (Intermunicipal).pdf"
## Gráficos a nivel intermunicipal ZMVM
chord_diagram_graph_zmvm(file = file,
width = 10,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = as.matrix(tabla1),
color_labels = "#000C7D",
transparency = 0.1,
circo.text = 9,
circos.axis.text = 7,
adj.text = c(-0.01, 0.5),
adj.ylim = 1,
gap.degree = 3,
clock.wise = FALSE,
track.margin = c(-0.2, 0.2),
margin = rep(0, 4),
group1 = grupo1,
group1.text = "Ciudad de México",
group1.col = 1,
group2 = grupo2,
group2.text = "México",
group2.col = 15,
group3 = grupo3,
group3.text = "Hidalgo",
group3.col = 20,
group4 = grupo4,
group4.text = "Otro municipios",
group4.col = 30) Etiquetas
file = "/Graficos/Municipio/06_Zonas Metropolitanas/2015/01_Migracion reciente/Etiquetas ZMVM a nivel intermunicipal.pdf"
## Etiquetas a nivel intermunicipal ZMVM
labels_chord_diagram(file = file,
width = 7,
height = 9,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
labels = "ZM del Valle de México")Gráfico Sankey
Zona Metropolitana del Valle de México
(ZMVM)
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN, by = c("CVE_MUN")) %>%
mutate(CVE_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN, by = c("CVE_MUN")) %>%
mutate(CVE_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
## Se toma como referencia a la Zona Metropolitana del Valle de México
ZM <- ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% "13.01") %>%
mutate(NOM_MUN = paste(.$CVE_MUN, .$NOM_MUN)) %>%
pull(NOM_MUN)
##########################################################################################
######################################## Filtro ##########################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
filter(value > 0) %>%
group_by(rn) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
filter(value > 0) %>%
group_by(cn) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE))
######################################## Filtro ##########################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = Inmigrantes + Emigrantes) %>%
filter(rn %in% ZM) %>%
filter(value > 30000) %>%
pull(rn)
#########################################################################################
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% ZM | .$cn %in% ZM), value, 0)) %>%
mutate(rn = case_when(.$rn %in% ZM & .$rn %in% filtro ~ .$rn,
.$rn %in% ZM & .$rn %nin% filtro ~ str_wrap(paste(estados[as.numeric(substr(.$rn, 1, 3))], "ZMVM"), 20),
.$rn %nin% ZM & .$rn %nin% filtro ~ str_wrap(paste0(nom_estados[as.numeric(substr(.$rn, 1, 3))]), 20)),
cn = case_when(.$cn %in% ZM & .$cn %in% filtro ~ .$cn,
.$cn %in% ZM & .$cn %nin% filtro ~ str_wrap(paste(estados[as.numeric(substr(.$cn, 1, 3))], "ZMVM"), 20),
.$cn %nin% ZM & .$cn %nin% filtro ~ str_wrap(paste0(nom_estados[as.numeric(substr(.$cn, 1, 3))]), 20))) %>%
filter(value > 0)
p <- tabla %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
curve_type = "quintic",
color = "transparent",
alpha = 0.85,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = cn),
color = "white",
alpha = 0.65,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.23,
min.segment.length = unit(1, "lines"),
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .23,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 4, b = 1, l = 0, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 9, family = "montserrat"),
legend.position = c(0.999, .5)) +
scale_x_discrete(expand = c(-0.1, 0.5)) +
scale_fill_viridis_d(option = "A", end = 0.9, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
path = paste0(here::here(), "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/GSankey de MR5a de la ZMVM (Intermunicipal).pdf")
ggexport(p, width = 20, height = 12, dpi = 400, filename = path)Indicadores
Se realizan cálculos generales de migración:
Residentes
Inmigrantes
Emigrantes
% Inmigrantes
% Emigrante
Migración bruta
Migración Neta
% Tasa de migración bruta
% Tasa de migración neta
Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora.
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_MUN) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <= 130) %>%
group_by(CVE_MUN) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.RData"))
Residentes <- Migrantes %>%
rownames_to_column() %>%
gather(CVE_MUN, Value, -rowname)%>%
filter(rowname == CVE_MUN) %>%
select(-rowname) %>%
droplevels() %>%
rename("Residentes" = "Value")
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
################################################################################
############################### Emigrantes #####################################
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN_RES) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
rename("CVE_MUN" = "CVE_MUN_RES")
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_MUN")) %>%
left_join(., Residentes, by = c("CVE_MUN")) %>%
left_join(., Inmigrantes, by = c("CVE_MUN")) %>%
left_join(., Emigrantes, by = c("CVE_MUN")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Intermunicipal).xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Intermunicipal).RData"))| Indicadores de migración reciente a nivel intermunicipal | |||||||||||
| Zonas Metropolitanas | |||||||||||
| CVE_MUN | Pob.Total | Pob.5ymas | Residentes | Inmigrantes | Emigrantes | Mig.Neta | Mig.Bruta | Tasa.Inmig | Tasa.Emig | Tasa.Mig | Eficacia |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||
Movilidad metropolitana
Se utiliza la paquetería survey para poder trabajar con
la muestra del cuestionario ampliado, en la cual se selecciona a la
población de 5 años y más.
options(survey.lonely.psu = "adjust")
MC <- mydata %>%
select(CVE_ENT, CVE_MUN, RES05EDO_C, CVE_MUN_RES, CVE_ZM, CVE_ZM_RES, M, EDAD, FACTOR, ESTRATO, UPM) %>%
# Se genera una indicadora de zm
mutate(I_ZM_2010 = ifelse(is.na(.$CVE_ZM), '0', '1'),
I_RES5A_ZM_2010 = ifelse(is.na(.$CVE_ZM_RES), '0', '1')) %>%
# Se clasifican a los migrantes internos
mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_RES ~ 'Pertenecen a la Zona Metropolitana', #Residentes
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM == .$CVE_ZM_RES ~ "Pertenecen a la Zona Metropolitana", #Migrantes que residen en la misma zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM != .$CVE_ZM_RES ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residen en otra zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian fuera de la zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian dentro de una zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Migrantes que no residen en la zona metropolitana
)) %>%
filter(EDAD >= 5 & EDAD <= 130) %>%
filter(CVE_MUN_RES %in% municipios) %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_metropolitana.RDS"))Matrices
Se genera una matriz cruzada del lugar de residencia hace 5 años a
nivel municipal, utilizando la función svytable de la
paquetería survey.
MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_metropolitana.RDS"))
Migrantes <- svytable(~CVE_ZM_RES + CVE_ZM, design = MC)Se genera la matriz cuadrada y se le asignan las etiquetas de municipios.
Migrantes <- Migrantes %>%
as.data.frame() %>%
expss::cross_cases(CVE_ZM, CVE_ZM_RES, weight = Freq) %>%
as.data.frame() %>%
rename("CVE_ZM" = "row_labels") %>%
arrange(CVE_ZM) %>%
slice(-1)
rownames <- Migrantes %>%
mutate(CVE_ZM = substr(.$CVE_ZM, 8, 12)) %>%
pull(CVE_ZM)
colnames <- names(Migrantes) %>%
as.data.frame() %>%
slice(-1) %>%
rename("CVE_ZM" = ".") %>%
mutate(`CVE_ZM` = substr(.$CVE_ZM, 12, 16)) %>%
pull(CVE_ZM)
# Se elimina la variable CVE_ZM
Migrantes <- Migrantes %>%
select(-CVE_ZM)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de MR5a a nivel metropolitano 2010.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de MR5a a nivel metropolitano 2010.RData"))
require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Metropolitano")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_ZM"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de MR5a a nivel metropolitano 2010.xlsx"), overwrite = TRUE)Matriz de migración reciente hace 5 años a nivel municipal, 2005 - 2010
| Matriz de migración reciente por zonas metropolitanas | |||||||||||||||||||||||||||||
| Zonas metropolitanas | |||||||||||||||||||||||||||||
| CVE_ZM | 01.01 | 02.01 | 03.01 | 04.01 | 05.01 | 06.01 | 07.01 | 08.01 | 09.01 | 10.01 | 11.01 | 12.01 | 13.01 | 14.01 | 15.01 | 16.01 | 17.01 | 18.01 | 19.01 | 20.01 | 21.01 | 22.01 | 23.01 | 24.01 | 25.01 | 26.01 | 27.01 | 28.01 | 29.01 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||||||||||||||||||||
Gráficos
ChordDiagram
Gráficos por Zonas Metropolitanas
Se filtran los flujos migratorios que son exclusivos de los estados y que visualmente sean más interpretables.
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de MR5a a nivel metropolitano 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_ZM" = ".") %>%
left_join(., ZM_2010 %>% select(CVE_ZM, NOM_ZM) %>% distinct(CVE_ZM, NOM_ZM), by = c("CVE_ZM")) %>%
mutate(CVE_ZM = stringr::str_wrap(paste(.$CVE_ZM, .$NOM_ZM), 100)) %>%
pull(CVE_ZM)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_ZM" = ".") %>%
left_join(., ZM_2010 %>% select(CVE_ZM, NOM_ZM) %>% distinct(CVE_ZM, NOM_ZM), by = c("CVE_ZM")) %>%
mutate(CVE_ZM = stringr::str_wrap(paste(.$CVE_ZM, .$NOM_ZM), 100)) %>%
pull(CVE_ZM)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de las Zonas Metropolitanas
NOM_ZM <- stringr::str_wrap(nom_zm, 100)
################################################################################
tabla1 <- lapply(1, function(x){
Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn), value, 0)) %>%
filter(value > 0) %>%
dcast(., rn ~ cn, value.var = "value", sum, na.rm = TRUE) %>%
column_to_rownames(., var = "rn")
})#Paleta de colores
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1, paleta)file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a desagregado por ZM (metropolitano).pdf"
## Gráficos a nivel metropolitano
chord_diagram_graph(file = file,
width = 10,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0,
circo.text = 7,
circos.axis.text = 5,
adj.text = c(-0.05, 0.5), #Ajuste de las etiquetas (x, y)
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = rep(0, 4))Gráficos por Zonas Metropolitanas
Se filtran los flujos migratorios que son exclusivos de los estados y que visualmente sean más interpretables.
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de MR5a a nivel metropolitano 2010.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_ZM" = ".") %>%
left_join(., ZM_2010 %>% select(CVE_ZM, NOM_ZM) %>% distinct(CVE_ZM, NOM_ZM), by = c("CVE_ZM")) %>%
mutate(CVE_ZM = stringr::str_wrap(paste(.$CVE_ZM, .$NOM_ZM), 100)) %>%
pull(CVE_ZM)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_ZM" = ".") %>%
left_join(., ZM_2010 %>% select(CVE_ZM, NOM_ZM) %>% distinct(CVE_ZM, NOM_ZM), by = c("CVE_ZM")) %>%
mutate(CVE_ZM = stringr::str_wrap(paste(.$CVE_ZM, .$NOM_ZM), 100)) %>%
pull(CVE_ZM)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de las Zonas Metropolitanas
ZM_CF <- ZM_2010 %>%
group_by(CVE_ZM) %>%
summarise(Count = n()) %>%
filter(Count >= 0) %>%
pull(CVE_ZM)
ZM <- ZM_2010 %>%
select(CVE_ZM, NOM_ZM) %>%
distinct(CVE_ZM, NOM_ZM) %>%
mutate(CVE_ZM = stringr::str_wrap(paste(.$CVE_ZM, .$NOM_ZM), 100)) %>%
pull(CVE_ZM)
NOM_ZM_CF <- ZM_2010 %>%
filter(CVE_ZM %in% ZM_CF) %>%
distinct(CVE_ZM, NOM_ZM)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(ZM, Migrantes)
Emigrantes <- Emigrantes_function(ZM, Migrantes)
################################## Filtro ######################################
#p <- data.frame(ZM = ZM,
# filtro_zm = filtro_mig)
#write.xlsx(p, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel metropolitano.xlsx"), overwrite = TRUE)
#### Filtro de municipios
filtro_mig <- read.xlsx(paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Filtro a nivel metropolitano.xlsx"), colNames = TRUE) %>%
pull(filtro_zm)
################################################################################
tabla1 <- metropolitan_flows(tabla = Migrantes,
filtro_zm = ZM,
filtro_mig = filtro_mig,
Emigrantes = Emigrantes,
Inmigrantes = Inmigrantes,
group = "Otras zonas metropolitanas")
## Se guardan las matrices de migración reciente para analizarlos después.
wb <- createWorkbook()
for(i in 1:length(ZM)){
tabla <- tabla1[[i]] %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(colnames(tabla1[[i]])))
addWorksheet(wb, zm[i])
writeData(wb, i, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel metropolitano_Reduccion.xlsx"),
overwrite = TRUE)
}
saveRDS(tabla1, paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel metropolitano.RDS"))tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel metropolitano.RDS"))
total_tablas <- totales(tabla1 = tabla1,
Clave = "CVE_ZM",
Inmigrantes = "Inmigrantes",
Emigrantes = "Emigrantes")
porcentajes_tablas <- porcentajes(tabla1 = tabla1,
Clave = "CVE_ZM",
Inmigrantes = "%Inmigrantes",
Emigrantes = "%Emigrantes")
# Se guardan los totales de las matrices reducidas
wb <- createWorkbook()
for(i in 1:length(ZM)){
addWorksheet(wb, paste(ZM_CF[i]))
writeData(wb, i, total_tablas[[i]], colNames = TRUE, startCol = 1)
writeData(wb, i, porcentajes_tablas[[i]], colNames = TRUE, startCol = 5)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel metropolitano_Reduccion_Totales.xlsx"),
overwrite = TRUE)
}tabla1 <- readRDS(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz MR5a a nivel metropolitano.RDS"))
# Paleta de colores
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1, paleta)file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/ChordDiagram de MR5a desagregado por ZM (metropolitano)_individual.pdf"
## Gráficos a nivel metropolitano
chord_diagram_graph(file = file,
width = 8,
height = 8,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0,
circo.text = 7,
circos.axis.text = 5,
adj.text = c(-0.15, 0.5),
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = rep(0, 4))Etiquetas
file = "/Graficos/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Etiquetas ZM a nivel metropolitano.pdf"
## Etiquetas a nivel zona metropolitana
labels_chord_diagram(file = file,
width = 7,
height = 8,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
labels = paste(NOM_ZM_CF[,1], NOM_ZM_CF[,2]))Indicadores
Se realizan cálculos generales de migración:
Residentes
Inmigrantes
Emigrantes
% Inmigrantes
% Emigrante
Migración bruta
Migración Neta
% Tasa de migración bruta
% Tasa de migración neta
Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora.
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_ZM) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <= 130) %>%
group_by(CVE_ZM) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel municipal.RData"))
ZM <- lapply(1:length(zm), function(x){
ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% zm[x]) %>%
pull(CVE_MUN)
})
Residentes <- lapply(1:length(zm), function(x){
Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
filter(CVE_MUN == CVE_MUN_RES) %>%
filter(CVE_MUN %in% ZM[[x]]) %>%
summarize(Residentes = sum(value, na.rm = TRUE)) %>%
mutate(CVE_ZM = !!paste0(zm[x]))
})
Residentes <- do.call(rbind.data.frame, Residentes)
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- lapply(1:length(zm), function(x){
Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
filter(CVE_MUN %in% ZM[[x]]) %>%
summarize(Inmigrantes = sum(value, na.rm = TRUE)) %>%
mutate(CVE_ZM = !!paste0(zm[x]))
})
Inmigrantes <- do.call(rbind.data.frame, Inmigrantes)
################################################################################
############################### Emigrantes #####################################
Emigrantes <- lapply(1:length(zm), function(x){
Migrantes %>%
t() %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
filter(CVE_MUN %in% ZM[[x]]) %>%
summarize(Emigrantes = sum(value, na.rm = TRUE)) %>%
mutate(CVE_ZM = !!paste0(zm[x]))
})
Emigrantes <- do.call(rbind.data.frame, Emigrantes)
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_ZM")) %>%
left_join(., Residentes, by = c("CVE_ZM")) %>%
left_join(., Inmigrantes, by = c("CVE_ZM")) %>%
left_join(., Emigrantes, by = c("CVE_ZM")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Metropolitano) 2010.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Metropolitano) 2010.RData"))| Indicadores de migración reciente (Nivel metropolitano) | |||||||||||
| Zonas Metropolitanas | |||||||||||
| CVE_ZM | Pob.Total | Pob.5ymas | Residentes | Inmigrantes | Emigrantes | Mig.Neta | Mig.Bruta | Tasa.Inmig | Tasa.Emig | Tasa.Mig | Eficacia |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||
Migración intrametropolitana
Se utiliza la paquetería survey para poder trabajar con
la muestra del cuestionario ampliado, en la cual se selecciona a la
población de 5 años y más.
options(survey.lonely.psu = "adjust")
MC <- mydata %>%
select(CVE_ENT, CVE_MUN, RES05EDO_C, CVE_MUN_RES, CVE_ZM, CVE_ZM_RES, M, EDAD, FACTOR, ESTRATO, UPM) %>%
# Se genera una indicadora de zm
mutate(I_ZM_2010 = ifelse(is.na(.$CVE_ZM), '0', '1'),
I_RES5A_ZM_2010 = ifelse(is.na(.$CVE_ZM_RES), '0', '1')) %>%
# Se clasifican a los migrantes internos
mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_RES ~ 'Pertenecen a la Zona Metropolitana', #Residentes
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM == .$CVE_ZM_RES ~ "Pertenecen a la Zona Metropolitana", #Migrantes que residen en la misma zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM != .$CVE_ZM_RES ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residen en otra zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian fuera de la zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian dentro de una zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Migrantes que no residen en la zona metropolitana
)) %>%
filter(EDAD >= 5 & EDAD <= 130) %>%
filter(CVE_MUN_RES %in% municipios & .$I_ZM %in% "Pertenecen a la Zona Metropolitana") %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_intrametropolitana.RDS"))Indicadores
Se realizan cálculos generales de migración:
Residentes
Inmigrantes
Emigrantes
% Inmigrantes
% Emigrante
Migración bruta
Migración Neta
% Tasa de migración bruta
% Tasa de migración neta
Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora.
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_ZM) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <=130) %>%
group_by(CVE_ZM) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
MR <- readRDS(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matrices de MR5a a nivel intramunicipal por ZM2010.RDS"))
Residentes <- lapply(1:length(zm), function(x){
MR[[x]] %>%
as.data.frame() %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
filter(CVE_MUN == CVE_MUN_RES) %>%
summarize(Residentes = sum(value, na.rm = TRUE)) %>%
mutate(CVE_ZM = !!paste0(zm[x]))
})
Residentes <- do.call(rbind.data.frame, Residentes)
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- lapply(1:length(zm), function(x){
MR[[x]] %>%
as.data.frame() %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
summarize(Inmigrantes = sum(value, na.rm = TRUE)) %>%
mutate(CVE_ZM = !!paste0(zm[x]))
})
Inmigrantes <- do.call(rbind.data.frame, Inmigrantes)
################################################################################
############################### Emigrantes #####################################
Emigrantes <- lapply(1:length(zm), function(x){
MR[[x]] %>%
tibble::column_to_rownames(var = "CVE_MUN") %>%
t() %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
summarize(Emigrantes= sum(value, na.rm = TRUE)) %>%
mutate(CVE_ZM = !!paste0(zm[x]))
})
Emigrantes <- do.call(rbind.data.frame, Emigrantes)
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_ZM")) %>%
left_join(., Residentes, by = c("CVE_ZM")) %>%
left_join(., Inmigrantes, by = c("CVE_ZM")) %>%
left_join(., Emigrantes, by = c("CVE_ZM")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Intrametropolitano) 2010.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Intrametropolitano) 2010.RData"))| Indicadores de migración reciente (Nivel intrametropolitano) | |||||||||||
| Zonas Metropolitanas | |||||||||||
| CVE_ZM | Pob.Total | Pob.5ymas | Residentes | Inmigrantes | Emigrantes | Mig.Neta | Mig.Bruta | Tasa.Inmig | Tasa.Emig | Tasa.Mig | Eficacia |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||
Migración intermetropolitana
Se utiliza la paquetería survey para poder trabajar con
la muestra del cuestionario ampliado, en la cual se selecciona a la
población de 5 años y más.
options(survey.lonely.psu = "adjust")
MC <- mydata %>%
select(CVE_ENT, CVE_MUN, RES05EDO_C, CVE_MUN_RES, CVE_ZM, CVE_ZM_RES, M, EDAD, FACTOR, ESTRATO, UPM) %>%
# Se genera una indicadora de zm
mutate(I_ZM_2010 = ifelse(is.na(.$CVE_ZM), '0', '1'),
I_RES5A_ZM_2010 = ifelse(is.na(.$CVE_ZM_RES), '0', '1')) %>%
# Se clasifican a los migrantes internos
mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_RES ~ 'Pertenecen a la Zona Metropolitana', #Residentes
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM == .$CVE_ZM_RES ~ "Pertenecen a la Zona Metropolitana", #Migrantes que residen en la misma zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '1' & .$CVE_ZM != .$CVE_ZM_RES ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residen en otra zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '1' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian fuera de la zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Migrantes que residian dentro de una zona metropolitana
.$CVE_MUN != .$CVE_MUN_RES & .$I_ZM_2010 %in% '0' & .$I_RES5A_ZM_2010 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Migrantes que no residen en la zona metropolitana
)) %>%
filter(EDAD >= 5 & EDAD <= 130) %>%
filter(CVE_MUN_RES %in% municipios & .$I_ZM %in% "No pertenecen a la Zona Metropolitana") %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/MC_intermetropolitana.RDS"))Indicadores
Se realizan cálculos generales de migración:
Residentes
Inmigrantes
Emigrantes
% Inmigrantes
% Emigrante
Migración bruta
Migración Neta
% Tasa de migración bruta
% Tasa de migración neta
Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora.
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_ZM) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <=130) %>%
group_by(CVE_ZM) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Matriz de migracion reciente a nivel intermunicipal 2010.RData"))
ZM <- lapply(1:length(zm), function(x){
ZM_2010 %>%
select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
filter(CVE_ZM %in% zm[x]) %>%
pull(CVE_MUN)
})
Residentes <- lapply(1:length(zm), function(x){
Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
filter(CVE_MUN == CVE_MUN_RES) %>%
filter(CVE_MUN %in% ZM[[x]]) %>%
summarize(Residentes = sum(value, na.rm = TRUE)) %>%
mutate(CVE_ZM = !!paste0(zm[x]))
})
Residentes <- do.call(rbind.data.frame, Residentes)
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- lapply(1:length(zm), function(x){
Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
filter(CVE_MUN %in% ZM[[x]]) %>%
summarize(Inmigrantes = sum(value, na.rm = TRUE)) %>%
mutate(CVE_ZM = !!paste0(zm[x]))
})
Inmigrantes <- do.call(rbind.data.frame, Inmigrantes)
################################################################################
############################### Emigrantes #####################################
Emigrantes <- lapply(1:length(zm), function(x){
Migrantes %>%
t() %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
filter(CVE_MUN %in% ZM[[x]]) %>%
summarize(Emigrantes = sum(value, na.rm = TRUE)) %>%
mutate(CVE_ZM = !!paste0(zm[x]))
})
Emigrantes <- do.call(rbind.data.frame, Emigrantes)
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_ZM")) %>%
left_join(., Residentes, by = c("CVE_ZM")) %>%
left_join(., Inmigrantes, by = c("CVE_ZM")) %>%
left_join(., Emigrantes, by = c("CVE_ZM")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Intermetropolitano) 2010.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2010/01_Migracion reciente/Indicadores de MR5a por ZM 2010 (Intermetropolitano) 2010.RData"))| Indicadores de migración reciente (Nivel intermetropolitano) | |||||||||||
| Zonas Metropolitanas | |||||||||||
| CVE_ZM | Pob.Total | Pob.5ymas | Residentes | Inmigrantes | Emigrantes | Mig.Neta | Mig.Bruta | Tasa.Inmig | Tasa.Emig | Tasa.Mig | Eficacia |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||
Referencias
Librerias que se usaron en el documento
| package | loadedversion | source |
|---|---|---|
| Cairo | 1.6-1 | CRAN (R 4.3.1) |
| chorddiag | 0.1.3 | Github (mattflor/chorddiag@1688d72cd93071abb373e054190363bdfb3af2af) |
| circlize | 0.4.15 | CRAN (R 4.3.1) |
| doMC | 1.3.5 | R-Forge (R 4.3.1) |
| dplyr | 1.1.3 | CRAN (R 4.3.2) |
| expss | 0.11.6 | CRAN (R 4.3.1) |
| foreach | 1.5.2 | CRAN (R 4.3.1) |
| ggalluvial | 0.12.5 | CRAN (R 4.3.1) |
| ggplot2 | 3.4.3 | CRAN (R 4.3.1) |
| ggpubr | 0.6.0 | CRAN (R 4.3.1) |
| ggrepel | 0.9.3 | CRAN (R 4.3.1) |
| ggsankey | 0.0.99999 | Github (davidsjoberg/ggsankey@3e171a83a5364bb24df7cb2cd9203dd79b1dae29) |
| gt | 0.10.0 | CRAN (R 4.3.1) |
| haven | 2.5.3 | CRAN (R 4.3.1) |
| Hmisc | 5.1-0 | CRAN (R 4.3.1) |
| iterators | 1.0.14 | CRAN (R 4.3.1) |
| janitor | 2.2.0 | CRAN (R 4.3.1) |
| kableExtra | 1.3.4 | CRAN (R 4.3.1) |
| knitr | 1.45 | CRAN (R 4.3.2) |
| maditr | 0.8.3 | CRAN (R 4.3.1) |
| Matrix | 1.6-1.1 | CRAN (R 4.3.1) |
| network | 1.18.1 | CRAN (R 4.3.1) |
| openxlsx | 4.2.5.2 | CRAN (R 4.3.1) |
| reshape2 | 1.4.4 | CRAN (R 4.3.1) |
| sjlabelled | 1.2.0 | CRAN (R 4.3.1) |
| sna | 2.7-1 | CRAN (R 4.3.1) |
| srvyr | 1.2.0 | CRAN (R 4.3.1) |
| statnet.common | 4.9.0 | CRAN (R 4.3.1) |
| stringr | 1.5.0 | CRAN (R 4.3.1) |
| survey | 4.2 | Github (bschneidr/fastsurvey@5e4df7bd6c4bac44fa9c6681db40c496dd701f45) |
| survival | 3.5-5 | CRAN (R 4.3.1) |
| tibble | 3.2.1 | CRAN (R 4.3.1) |
| tidyr | 1.3.0 | CRAN (R 4.3.1) |
This
work by Diana Villasana
Ocampo is licensed under a
Creative
Commons Attribution 4.0 International License.